要点
问题能否为首发精神病患者开发一种个人层面的预测工具，在一年的季度随访评估中预测和可视化教育/工作或精神病住院结果的轨迹?
发现在本队列研究中，使用随机概率森林模型来准确预测参加协调专业护理的个体的1年教育/工作状态轨迹。开发了一个交互式可视化工具原型，以显示预测的教育/工作轨迹和相关特征，但还需要做更多的工作来改进预测未来住院的模型。
意义这项研究表明，可以为首发精神病患者的结果开发准确的预测工具，这可能有助于为临床医生/患者共同的决策提供信息。
重要性在针对首发精神病患者的协调专业护理(CSC)环境中，为关键结果开发可靠、有效的个人水平预测工具可能对共享临床医生和客户决策提供信息。
客观的利用机器学习方法开发一种个人水平的预测工具，预测客户下一年的季度随访评估中教育/工作状态或精神疾病住院结果的轨迹。此外，以一种对临床医生和客户有信息的方式可视化这些预测。
设计、设置和参与者所有参加OnTrackNY项目的患者在入组时和使用标准化表格进行季度随访时收集了个人层面的数据。OnTrackNY项目是纽约州CSC站点的一个网络，为16至30岁的近期发病(<2年)非情感性精神病患者提供以人为本、以康复为导向、循证心理社会和药物干预。虽然数据收集仍在进行中，但本研究的数据收集时间为2013年10月至2018年12月，分析时间为2020年7月至2021年5月。数据被分成一个训练/交叉验证集，用于进行内部验证的模型开发，另一个单独的坚持测试集(约20%的样本)用于外部验证。随机概率森林模型被开发来预测个体水平的结果轨迹。
曝光OnTrackNY收集了43个个体水平的人口统计学和临床特征，其中25个随时间变化，并在季度随访评估中更新，还有13个地点水平的人口统计学和经济普查变量。
主要成果及措施个人水平的教育和/或就业状况以及在CSC前两年的季度随访期间的精神病住院轨迹。
结果总研究样本包括1298名16至30岁的个体，其中341名女性(26.3%)，949名男性(73.1%)，8名其他性别(<1%)。预测模型在所有验证集的1年教育/工作轨迹中表现良好，受试者工作特征曲线(AUCs)下的面积范围为0.68 (95% CI, 0.63-0.74)至0.88 (95% CI, 0.81-0.96)。3个月前精神病住院的预测准确性AUC达到0.70以上;此外，对未来6个月及以上精神病住院的预测一直很差，auc低于0.60。鉴于外部验证的良好教育/工作预测性能，开发了一个原型交互式可视化工具，显示个人层面的教育/工作轨迹和相关特征。
结论与相关性这项研究表明，可以为首发精神病患者的结果开发准确的预测工具，这可能有助于为临床医生/患者共同的决策提供信息。未来的工作应该研究其部署的有效性，包括在学习医疗保健系统的背景下进行适当的沟通，以告知共享的临床医生/客户决策。目前，在推荐任何工具用于这一结果之前，还需要做更多的工作来开发更好的未来精神病住院预测模型。